30 Referensi untuk Research Gap & Novelty

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Dalam beberapa tahun terakhir, pembelajaran mendalam telah mengalami peningkatan yang signifikan dalam mengenali penyakit tanaman melalui pengamatan citranya. Untuk menghasilkan kinerja yang memadai, model pembelajaran mendalam saat ini cenderung memerlukan kumpulan data berskala besar. Namun, pengumpulan kumpulan data membutuhkan biaya tinggi dan waktu yang lama. Oleh karena itu, keterbatasan data merupakan salah satu tantangan utama dalam memperoleh akurasi pengenalan yang diinginkan. Meskipun pembelajaran transfer telah banyak dibahas dan terbukti sebagai metode yang efektif dan efisien untuk mengatasi tantangan tersebut, sebagian besar metode yang diusulkan berfokus pada satu atau dua kumpulan data tertentu. Dalam makalah ini, kami mengusulkan strategi pembelajaran transfer baru untuk menghasilkan kinerja tinggi dalam pengenalan penyakit tanaman yang serbaguna pada berbagai kumpulan data penyakit tanaman.

Strategi pembelajaran transfer kami berbeda dari strategi yang populer saat ini karena faktor-faktor berikut. Pertama, PlantCLEF2022, kumpulan data berskala besar terkait tanaman yang berisi 2,885,052 citra dan 80,000 kelas, digunakan untuk melakukan prapelatihan model. Kedua, kami menggunakan model vision transformer (ViT), bukan jaringan saraf konvolusional. Ketiga, model ViT menjalani pembelajaran transfer sebanyak dua kali untuk menghemat komputasi. Keempat, model terlebih dahulu menjalani prapelatihan pada ImageNet dengan fungsi kerugian tersupervisi mandiri, sedangkan pada PlantCLEF2022 digunakan fungsi kerugian tersupervisi.

Kami menerapkan metode kami pada 12 kumpulan data penyakit tanaman, dan hasil eksperimen mengindikasikan bahwa metode kami melampaui metode yang populer tersebut dengan selisih yang jelas pada berbagai pengaturan kumpulan data. Secara khusus, metode yang kami usulkan mencapai rata-rata akurasi pengujian sebesar 86.29 pada 12 kumpulan data dalam kondisi 20-shot, yaitu 12.76 lebih tinggi daripada metode mutakhir saat ini yang mencapai 73.53. Selain itu, metode kami juga mengungguli metode lain pada satu kumpulan data prediksi tahap pertumbuhan tanaman dan satu kumpulan data pengenalan gulma. Untuk mendorong komunitas dan mendukung aplikasi terkait, kami memublikasikan kode serta model hasil prapelatihan kami (https://github.com/xml94/MAE_plant_disease).

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Klasifikasi penyakit tanaman menggunakan teknik pembelajaran mendalam telah menunjukkan hasil yang menjanjikan, terutama ketika model dilatih menggunakan citra berkualitas tinggi. Namun, model-model ini sering mengalami penurunan akurasi yang signifikan ketika diuji dalam kondisi pertanian dunia nyata. Di lapangan, model menghadapi citra yang berbeda secara signifikan dari data pelatihan dalam aspek seperti kondisi pencahayaan, kondisi pengambilan citra, resolusi citra, dan tingkat keparahan penyakit. Ketidaksesuaian antara citra pelatihan dan citra dalam kondisi lapangan ini menimbulkan tantangan besar bagi penerapan model tersebut dalam lingkungan pertanian.

Dalam makalah ini, kami menyajikan pendekatan baru untuk mengatasi masalah tersebut dengan menggabungkan backbone Vision Transformer dan Mixture of Experts. Dalam pendekatan ini, beberapa model pakar dilatih untuk mengkhususkan diri pada berbagai aspek data masukan, dan mekanisme gating diterapkan untuk memilih pakar yang paling relevan bagi setiap masukan. Penggunaan Mixture of Experts memungkinkan model mengalokasikan pakar khusus secara dinamis untuk berbagai jenis data masukan, sehingga meningkatkan kinerja model dalam beragam kondisi citra. Pendekatan ini meningkatkan kinerja secara signifikan pada berbagai kumpulan data yang mencakup beragam kondisi pengambilan citra dan tingkat keparahan penyakit. Selain itu, model mengintegrasikan regularisasi entropi dan regularisasi ortogonal dengan tujuan meningkatkan ketangguhan dan kemampuan generalisasi.

Hasil eksperimen menunjukkan bahwa model yang diusulkan mencapai peningkatan akurasi sebesar 20% dibandingkan dengan Vision Transformer (ViT). Selain itu, model ini menunjukkan akurasi sebesar 68% pada kumpulan data lintas domain, seperti dari PlantVillage ke PlantDoc, melampaui model dasar seperti InceptionV3 dan EfficientNet. Hal ini menyoroti potensi model kami untuk diterapkan secara efektif dalam lingkungan pertanian yang dinamis.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Tanaman dibudidayakan secara luas di seluruh dunia dan memiliki manfaat ekonomi yang tinggi. Penyakit daun tanaman tidak hanya berdampak negatif terhadap pertumbuhan dan perkembangan tanaman yang sehat, tetapi juga berdampak negatif terhadap lingkungan. Meskipun metode manual tradisional untuk mengidentifikasi hama dan penyakit tanaman membutuhkan biaya tinggi, tidak efisien, dan tidak akurat, teknologi visi komputer dapat menghindari kelemahan tersebut sekaligus memperpendek waktu pengendalian dan mengurangi biaya terkait. Mekanisme pemfokusan pada model berbasis Transformer, seperti Visual Transformer, meningkatkan interpretabilitas citra dan meningkatkan capaian jaringan saraf konvolusional (CNN) dalam pengenalan citra, tetapi Visual Transformer (ViT) berkinerja buruk pada kumpulan data berukuran kecil dan menengah.

Oleh karena itu, dalam makalah ini kami mengusulkan arsitektur hibrida baru bernama FOTCA, yang menggunakan arsitektur Transformer berbasis adaptive Fourier Neural Operators (AFNO) untuk terlebih dahulu mengekstraksi fitur global, kemudian melakukan penurunan resolusi lebih lanjut menggunakan kernel konvolusi untuk mengekstraksi fitur lokal secara hibrida. Untuk menghindari kinerja buruk arsitektur berbasis Transformer pada kumpulan data kecil, kami mengadopsi gagasan pembelajaran migrasi agar model memiliki generalisasi ilmiah yang baik pada sampel OOD (Out-of-Distribution, di luar distribusi), sehingga meningkatkan pemahaman model secara keseluruhan terhadap citra.

Dalam eksperimen lebih lanjut, Focal loss dan arsitektur hibrida dapat meningkatkan secara substansial kecepatan konvergensi dan akurasi pengenalan model dalam eksperimen ablasi dibandingkan dengan model tradisional. Model yang diusulkan dalam makalah ini memiliki kinerja terbaik dengan rata-rata akurasi pengenalan sebesar 99.8% dan skor F1 sebesar 0.9931. Kinerja tersebut memadai untuk penerapan dalam pengenalan citra penyakit daun tanaman.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Karena keterbatasan sumber daya komputasi pertanian dan keragaman penyakit tanaman, pencapaian tingkat akurasi yang diinginkan sambil mempertahankan jaringan yang ringan merupakan tantangan. Dalam makalah ini, kami mengusulkan arsitektur pembelajaran mendalam yang efisien secara komputasional, berbasis mobile vision transformer (MobileViT), untuk deteksi penyakit tanaman secara waktu nyata, yang kami sebut plant-based MobileViT (PMVT). Model yang kami usulkan dirancang agar sangat akurat dan berbiaya rendah, sehingga sesuai untuk diterapkan pada perangkat seluler dengan sumber daya terbatas.

Secara khusus, kami mengganti blok konvolusi dalam MobileViT dengan struktur residual terbalik yang menggunakan kernel konvolusi 7 × 7 untuk memodelkan secara efektif dependensi jarak jauh antara daun-daun yang berbeda dalam citra penyakit tanaman. Selain itu, terinspirasi oleh konsep atensi multitingkat dalam tugas visi komputer, kami mengintegrasikan convolutional block attention module (CBAM) ke dalam encoder ViT standar. Integrasi ini memungkinkan jaringan menghindari informasi yang tidak relevan secara efektif dan berfokus pada fitur-fitur penting. Jaringan PMVT menghasilkan jumlah parameter yang lebih rendah dibandingkan dengan jaringan alternatif pada berbagai perangkat seluler, sambil mempertahankan akurasi tinggi pada beragam tugas visi.

Eksperimen ekstensif pada beberapa kumpulan data pertanian, termasuk gandum, kopi, dan padi, menunjukkan bahwa metode yang diusulkan mengungguli model ringan dan berat terbaik saat ini. Pada kumpulan data gandum, PMVT mencapai akurasi tertinggi sebesar 93.6% dengan menggunakan sekitar 0.98 juta (M) parameter. Akurasi ini 1.6% lebih tinggi daripada MobileNetV3. Dengan parameter yang sama, PMVT mencapai akurasi sebesar 85.4% pada kumpulan data kopi, melampaui SqueezeNet sebesar 2.3%. Selain itu, metode kami mencapai akurasi sebesar 93.1% pada kumpulan data padi, melampaui MobileNetV3 sebesar 3.4%. Kami juga mengembangkan aplikasi diagnosis penyakit tanaman dan berhasil menggunakan model PMVT yang telah dilatih untuk mengidentifikasi penyakit tanaman dalam berbagai skenario.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Di sektor pertanian, mengidentifikasi penyakit tanaman pada tahap serangan sedini mungkin masih merupakan tantangan besar dalam upaya memaksimalkan produksi tanaman dan pendapatan petani. Dalam beberapa tahun terakhir, teknik visi komputer canggih seperti Vision Transformers (ViTs) telah berhasil diterapkan untuk mengidentifikasi penyakit tanaman secara otomatis. Namun, modul MLP pada ViT yang ada membutuhkan biaya komputasi tinggi dan tidak efisien dalam mengekstraksi fitur yang menjanjikan dari citra tanaman berpenyakit. Oleh karena itu, penelitian ini mengusulkan jaringan vision transformer yang relatif ringan dan telah ditingkatkan, yang juga dikenal sebagai TrIncNet, untuk identifikasi penyakit tanaman.

Dalam jaringan yang diusulkan, kami memperkenalkan arsitektur encoder yang dimodifikasi, disebut juga blok Trans-Inception, yang mengganti blok MLP pada ViT yang ada dengan blok inception yang dirancang khusus. Selain itu, setiap blok Trans-Inception dikelilingi oleh koneksi pintas, sehingga jauh lebih tahan terhadap masalah gradien yang menghilang. Keterterapan jaringan yang diusulkan untuk mengidentifikasi penyakit tanaman dinilai menggunakan dua kumpulan data citra penyakit tanaman, yaitu kumpulan data PlantVillage dan kumpulan data penyakit jagung Maize disease dataset, yang berisi citra penyakit jagung yang diambil di lapangan.

Analisis kinerja komparatif pada kedua kumpulan data melaporkan bahwa jaringan TrIncNet yang diusulkan mengungguli arsitektur CNN mutakhir, yaitu VGG-19, GoogLeNet, ResNet-50, Xception, InceptionV3, dan MobileNet. Selain itu, hasil eksperimen juga menunjukkan bahwa jaringan yang diusulkan mencapai akurasi pengujian masing-masing 5.38% dan 2.87% lebih tinggi daripada jaringan ViT yang ada pada kedua kumpulan data tersebut. Oleh karena itu, sifatnya yang ringan dan kinerja prediksi yang meningkat membuat jaringan yang diusulkan sesuai untuk diintegrasikan dengan perangkat IoT guna membantu para pemangku kepentingan mengidentifikasi penyakit tanaman di tingkat lapangan.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Identifikasi penyakit daun memainkan peran penting dalam proses pertumbuhan berbagai jenis tanaman. Penelitian saat ini yang berfokus pada deteksi dan kategorisasi penyakit daun telah mencapai hasil yang menjanjikan. Namun, kinerja kategorisasi penyakit daun masih perlu ditingkatkan untuk aplikasi praktis dalam bidang pertanian presisi. Untuk menjembatani kesenjangan ini, penelitian ini menyajikan pendekatan baru untuk mengklasifikasikan penyakit daun pada tanaman berkayu dengan menawarkan model vision transformer yang ditingkatkan.

Pendekatan yang diusulkan melibatkan penggunaan modul atensi multikepala untuk menangkap secara efektif informasi kontekstual tentang citra dan kelasnya. Selain itu, modul perceptron multilapis juga digunakan. Untuk melatih model mendalam yang diusulkan, digunakan kumpulan data publik penyakit daun yang terdiri atas 22 jenis citra berbeda yang menggambarkan penyakit daun tanaman berkayu. Selanjutnya, strategi pembelajaran transfer digunakan untuk mengurangi durasi pelatihan model yang diusulkan.

Temuan eksperimen menunjukkan bahwa pendekatan yang disajikan untuk mengklasifikasikan penyakit daun tanaman berkayu dapat mencapai akurasi di atas 85.0%. Sebagai simpulan, metodologi yang diusulkan berpotensi menjadi algoritma yang bermanfaat untuk deteksi otomatis penyakit daun pada tanaman berkayu.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Seiring meningkatnya integrasi teknologi AI dalam industri pangan, pembelajaran mendalam telah menunjukkan potensinya yang sangat besar dalam ranah pengenalan citra penyakit tanaman. Namun, masih terdapat kesenjangan penelitian antara model yang mampu mempelajari penyakit baru secara berkelanjutan dan upaya mengatasi masalah pelupaan katastrofik yang melekat pada jaringan saraf. Penelitian ini bertujuan mengevaluasi secara komprehensif berbagai strategi pembelajaran berbasis model visi komputer canggih untuk tugas pembelajaran berkelanjutan multipenyakit dalam pengenalan penyakit pangan. Untuk memenuhi kebutuhan kumpulan data tolok ukur, kami mengumpulkan kumpulan data PlantDiseaseCL yang bersumber dari internet dan mencakup berbagai penyakit tanaman budidaya, termasuk apel, jagung, dan lainnya.

Dengan menggunakan model Vision Transformer (ViT), kami membangun pengklasifikasi pengenalan citra penyakit tanaman yang, dalam pembelajaran bersama, mengungguli beberapa arsitektur CNN pembanding dalam akurasi (0.9538), presisi (0.9532), recall (0.9528), dan skor F1 (0.9560). Untuk lebih memanfaatkan potensi ViT dalam pengenalan cacat akibat penyakit pangan, kami memperkenalkan paradigma matematis untuk pembelajaran berkelanjutan dalam pengenalan penyakit tanaman budidaya. Untuk pertama kalinya, kami mengusulkan arsitektur ViT-TV baru dalam skenario pengenalan citra multipenyakit, dengan memasukkan fungsi kerugian berbasis jarak Total Variation (TV), yaitu TV-Loss, untuk mengukur perbedaan antara distribusi atensi saat ini dan sebelumnya, mendorong konsistensi atensi, serta mengurangi pelupaan katastrofik yang melekat pada ViT tanpa sampel dari tugas sebelumnya.

Dalam pembelajaran inkremental pada kumpulan data PlantDiseaseCL dengan pengaturan 3-Steps dan 5-Steps, strategi kami mencapai rata-rata akurasi masing-masing 0.7077 dan 0.5661, melampaui semua pendekatan tanpa eksemplar yang dibandingkan, seperti LUCIR, SI, dan MAS, bahkan mengungguli strategi berbasis eksemplar seperti EEIL dan ICaRL. Sebagai simpulan, pendekatan ViT-TV memberikan dukungan yang tangguh bagi pengembangan cerdas jangka panjang industri pertanian dan pangan, khususnya dengan menunjukkan keterterapan yang signifikan dalam pembelajaran berkelanjutan untuk pengenalan citra penyakit tanaman budidaya.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Identifikasi penyakit tanaman secara akurat merupakan tugas penting dalam produksi pertanian. Metode pengenalan penyakit tanaman budidaya berbasis pembelajaran mendalam yang ada memerlukan sejumlah besar citra berlabel untuk pelatihan, sehingga membatasi penerapan deteksi berskala besar. Untuk mengatasi keterbatasan ini, penelitian ini mengeksplorasi penerapan pembelajaran tersupervisi mandiri (SSL) dalam pengenalan penyakit tanaman. Kami mengusulkan model baru yang menggabungkan masked autoencoder (MAE) dan convolutional block attention module (CBAM) untuk mengurangi tuntutan yang ketat akan sejumlah besar data berlabel. Kinerja model divalidasi pada kumpulan data CCMT dan kumpulan data yang kami kumpulkan.

Hasil menunjukkan bahwa model yang ditingkatkan mencapai akurasi masing-masing 95.35% dan 99.61%, recall 96.2% dan 98.51%, serta nilai F1 95.52% dan 98.62% pada kumpulan data CCMT dan kumpulan data yang kami kumpulkan. Dibandingkan dengan ResNet50, ViT, dan MAE, akurasi pada kumpulan data CCMT meningkat masing-masing sebesar 1.2%, 0.7%, dan 0.8%, sedangkan akurasi pada kumpulan data yang kami kumpulkan meningkat masing-masing sebesar 1.3%, 1.6%, dan 0.6%.

Melalui eksperimen pada 21 penyakit daun, seperti hawar awal, hawar akhir, hawar daun, bercak daun, dan lainnya, pada lima tanaman budidaya, yaitu kentang, jagung, tomat, jambu mete, dan singkong, model kami menghasilkan deteksi kategori penyakit tanaman yang akurat dan cepat. Penelitian ini memberikan rujukan bagi penelitian dan aplikasi rekayasa dalam deteksi penyakit tanaman budidaya.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Deteksi penyakit tanaman secara dini dan akurat sangat penting untuk menjamin ketahanan pangan dan mempertahankan produktivitas pertanian yang berkelanjutan. Namun, sebagian besar model pembelajaran mendalam untuk klasifikasi penyakit tanaman sangat bergantung pada kumpulan data beranotasi berskala besar, yang membutuhkan biaya tinggi, padat tenaga kerja, dan sering kali tidak praktis untuk diperoleh dalam lingkungan pertanian dunia nyata. Untuk mengatasi keterbatasan ini, kami mengusulkan kerangka pembelajaran tersupervisi mandiri (SSL) terpadu yang memanfaatkan citra tanaman tanpa label untuk mempelajari representasi visual yang bermakna dan dapat ditransfer.

Metode kami mengintegrasikan tiga tujuan yang saling melengkapi—Bootstrap Your Own Latent (BYOL), Masked Image Modeling (MIM), dan pembelajaran kontrastif—dalam backbone ResNet101, yang dioptimalkan melalui fungsi kerugian hibrida yang menangkap penyelarasan global, struktur lokal, dan pembedaan pada tingkat instans. Augmentasi data berbasis GPU digunakan untuk memperkenalkan sifat stokastik dan meningkatkan generalisasi selama prapelatihan.

Hasil eksperimen pada kumpulan data PlantDoc yang menantang menunjukkan bahwa model kami mencapai akurasi sebesar 77.82%, dengan presisi, recall, dan skor F1 yang dirata-ratakan secara makro masing-masing sebesar 80.00%, 78.24%, dan 77.48%—setara dengan atau melampaui sebagian besar pendekatan tersupervisi dan tersupervisi mandiri mutakhir. Selain itu, ketika dilakukan penyesuaian halus pada kumpulan data PlantVillage, model hasil prapelatihan mencapai akurasi sebesar 99.85%, yang menyoroti generalisasi lintas domainnya yang kuat dan kemampuan transfernya secara praktis. Temuan ini menegaskan potensi pembelajaran tersupervisi mandiri sebagai solusi yang dapat diskalakan, efisien dalam penggunaan anotasi, dan tangguh untuk deteksi penyakit tanaman dalam kondisi pertanian dunia nyata, terutama ketika data berlabel langka atau tidak tersedia.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Deteksi penyakit tanaman sangat penting untuk mengoptimalkan produktivitas pertanian dan kualitas hasil tanaman. Dengan kemunculan pembelajaran mendalam dan kumpulan data penyakit tanaman berskala besar belakangan ini, banyak penelitian telah menunjukkan kinerja tinggi detektor penyakit tanaman berbasis pembelajaran tersupervisi. Namun, penelitian-penelitian tersebut masih memiliki keterbatasan dalam dua aspek. Pertama, biaya pelabelan dan masalah ketidakseimbangan kelas tetap menjadi tantangan dalam metode berbasis pembelajaran tersupervisi. Kedua, kumpulan data penyakit tanaman bersifat tidak terstruktur atau tidak terstruktur lemah, dan bentuk daun serta area berpenyakit pada daun bervariasi, sehingga deteksi penyakit tanaman menjadi semakin menantang.

Untuk mengatasi keterbatasan ini, kami mengusulkan detektor penyakit tanaman tak tersupervisi yang sadar instans dan memanfaatkan normalizing flows, peta saliensi visual, serta pengodean posisi. Model yang diusulkan merupakan cara baru untuk menggabungkan metode-metode tersebut secara eksplisit, dengan fokus pada pengurangan derau latar belakang. Selain itu, untuk lebih menyesuaikan model dengan domain deteksi penyakit tanaman dan meningkatkan representasi fitur, ekstraktor fitur menjalani prapelatihan dengan pendekatan pembelajaran tersupervisi mandiri menggunakan hanya data tanpa label.

Dalam eksperimen ekstensif kami, ditunjukkan bahwa pendekatan yang diusulkan mencapai kinerja mutakhir pada kumpulan data yang banyak digunakan, seperti BRACOL (Weakly-unstructured, tidak terstruktur lemah) dan PlantVillage (Unstructured, tidak terstruktur), terlepas dari apakah kumpulan data tersebut terstruktur lemah atau tidak terstruktur.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Penyakit tanaman dapat mengurangi sebagian besar hasil pertanian di setiap lahan pertanian. Tujuan utama penelitian ini adalah menyediakan informasi visual bagi petani agar mereka dapat mengambil langkah-langkah pencegahan yang diperlukan. Diusulkan suatu pendekatan pembelajaran mendalam yang ringan berbasis Vision Transformer (ViT) untuk klasifikasi penyakit tanaman secara otomatis dalam waktu nyata. Selain ViT, metode jaringan saraf konvolusional (CNN) klasik serta kombinasi CNN dan ViT juga telah diimplementasikan untuk klasifikasi penyakit tanaman. Model-model tersebut telah dilatih dan dievaluasi pada beberapa dataset. Berdasarkan perbandingan hasil yang diperoleh, disimpulkan bahwa meskipun blok atensi meningkatkan akurasi, blok tersebut memperlambat prediksi. Penggabungan blok atensi dengan blok CNN dapat mengimbangi penurunan kecepatan tersebut.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Identifikasi penyakit kentang secara akurat sangat penting untuk mengurangi kehilangan hasil panen. Untuk mengatasi rendahnya akurasi pengenalan akibat ketidaksesuaian antara domain target dan domain sumber karena jumlah sampel yang tidak memadai, penelitian ini mengeksplorasi efektivitas metode adaptasi domain tak terawasi multisumber (Multi-Source Unsupervised Domain Adaptation, MUDA) dalam identifikasi penyakit. Diusulkan suatu Multi-Source Domain Feature Adaptation Network (MDFAN) yang menggunakan strategi penyelarasan dua tahap. Metode ini terlebih dahulu menyelaraskan distribusi setiap pasangan domain sumber–target dalam beberapa ruang fitur spesifik. Dalam proses ini, teknik ekstraksi multirepresentasi dan penyelarasan subdomain digunakan untuk lebih meningkatkan kinerja penyelarasan. Selanjutnya, keluaran pengklasifikasi diselaraskan dengan memanfaatkan batas keputusan dalam domain-domain spesifik. Dengan mempertimbangkan variasi pencahayaan selama akuisisi citra, disusun suatu dataset citra penyakit kentang di lapangan yang mencakup lima jenis penyakit berbeda, kemudian dilakukan eksperimen transfer yang menyeluruh. Pada tugas-tugas transfer yang bersangkutan, MDFAN mencapai rata-rata akurasi klasifikasi sebesar 92.11% dengan dua domain sumber dan 93.02% dengan tiga domain sumber, mengungguli seluruh metode lainnya. Hasil ini tidak hanya menunjukkan efektivitas MUDA, tetapi juga menegaskan ketahanan MDFAN terhadap perubahan kondisi pencahayaan.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Metode pembelajaran dengan sedikit contoh (few-shot learning, FSL) telah mengalami kemajuan yang luar biasa dalam pengenalan penyakit tanaman, terutama pada skenario dengan jumlah sampel tersedia yang terbatas. Namun, pendekatan FSL saat ini biasanya terbatas pada pengaturan yang restriktif, yakni kelas dasar dan kelas baru berasal dari domain yang sama, seperti PlantVillage. Akibatnya, ketika model digeneralisasikan ke domain baru, yaitu dataset penyakit di lapangan, kinerjanya menurun tajam. Dalam penelitian ini, kami meninjau kembali kinerja lintas domain metode FSL yang ada dari perspektif data maupun model, dengan tujuan mencapai generalisasi penyakit lintas domain yang lebih baik melalui eksplorasi korelasi antardomain. Secara khusus, kami mengusulkan kerangka pembelajaran dengan sedikit contoh lintas domain (cross-domain few-shot learning, CD-FSL) yang lebih luas untuk identifikasi penyakit tanaman, yang memungkinkan pengklasifikasi melakukan generalisasi ke kategori dan domain yang sebelumnya belum pernah dijumpai. Dalam kerangka ini, dikembangkan tiga model CD-FSL yang representatif dengan mengintegrasikan modul Brownian distance covariance (BCD) dan meningkatkan pengekstrak fitur umum, yaitu CD-FSL berbasis metrik (CDFSL-BDC), CD-FSL berbasis optimisasi (CDFSL-MAML), dan CD-FSL yang tidak berbasis pembelajaran meta (CDFSL-NML). Untuk menangkap dampak pergeseran domain terhadap kinerja model, dipilih enam dataset publik dengan distribusi fitur yang tidak konsisten antardomain sebagai domain sumber. Kami menyediakan sarana pengujian terpadu untuk melakukan eksperimen pelatihan meta dan pengujian meta secara luas pada tolok ukur yang diusulkan guna mengevaluasi kinerja generalisasi CD-FSL dalam domain penyakit. Hasil menunjukkan bahwa akurasi ketiga model CD-FSL meningkat secara signifikan seiring meningkatnya kemiripan antardomain. Dibandingkan dengan model CD-FSL mutakhir lainnya, model CDFSL-BDC memiliki kinerja rata-rata terbaik pada berbagai kesenjangan domain. Dalam perpindahan dari domain hama ke domain penyakit tanaman, model CDFSL-BDC mencapai akurasi masing-masing sebesar 63.95% dan 80.13% pada pengaturan 1-shot dan 5-shot. Selain itu, evaluasi ekstensif pada dataset multidomain menunjukkan bahwa pembelajaran multidomain memiliki kemampuan transfer antardomain yang lebih kuat dibandingkan dengan pembelajaran domain tunggal ketika terdapat kesenjangan domain yang besar antara domain sumber dan domain target. Hasil perbandingan ini menunjukkan bahwa optimisasi metode CD-FSL dari perspektif data sangat efektif untuk menyelesaikan tugas identifikasi penyakit di lingkungan lapangan. Penelitian ini berpotensi memperluas penerapan teknik pembelajaran mendalam dalam deteksi penyakit dan memberikan rujukan teknis bagi deteksi penyakit lintas domain.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Kemajuan terkini dalam pembelajaran mendalam telah membawa peningkatan yang signifikan pada pengenalan penyakit tanaman. Namun, pencapaian kinerja yang memuaskan sering kali memerlukan dataset pelatihan berkualitas tinggi yang sulit dan mahal untuk dikumpulkan. Akibatnya, penerapan praktis metode berbasis pembelajaran mendalam saat ini dalam skenario dunia nyata terhambat oleh kelangkaan dataset berkualitas tinggi. Dalam artikel ini, kami berpendapat bahwa pemanfaatan dataset berkualitas rendah merupakan pilihan yang layak dan bertujuan mendefinisikan secara eksplisit tantangan yang berkaitan dengan penggunaan dataset tersebut. Untuk mendalami topik ini, kami menganalisis karakteristik dataset berkualitas tinggi, yakni citra dalam jumlah besar dan anotasi yang sesuai dengan kebutuhan, lalu membandingkannya dengan sifat terbatas dan tidak sempurna dari dataset berkualitas rendah. Tantangan muncul ketika dataset pelatihan menyimpang dari karakteristik tersebut. Untuk memberikan pemahaman yang menyeluruh, kami mengusulkan taksonomi baru dan informatif yang mengelompokkan tantangan-tantangan ini. Selain itu, kami menyajikan tinjauan singkat mengenai penelitian dan pendekatan yang telah ada untuk mengatasi tantangan tersebut. Kami menunjukkan bahwa artikel ini memperjelas pentingnya pemanfaatan dataset berkualitas rendah, meningkatkan pemahaman mengenai tantangan yang menyertainya, dan berkontribusi terhadap tujuan ambisius penerapan pembelajaran mendalam dalam aplikasi dunia nyata. Untuk memfasilitasi kemajuan, pada bagian akhir kami menguraikan beberapa pertanyaan yang belum terjawab dan menunjukkan arah potensial untuk penelitian mendatang. Meskipun fokus utama kami adalah pengenalan penyakit tanaman, kami menekankan bahwa prinsip pemanfaatan dan analisis dataset berkualitas rendah dapat diterapkan pada cakupan domain yang lebih luas, termasuk pertanian. Proyek kami tersedia untuk umum di https://github.com/xml94/EmbracingLimitedImperfectTrainingDatasets.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Meskipun pengenalan penyakit tanaman telah mengalami peningkatan yang signifikan berkat pembelajaran mendalam dalam beberapa tahun terakhir, pengamatan yang umum menunjukkan bahwa metode pembelajaran mendalam saat ini yang memiliki kinerja cukup baik cenderung mengalami kesulitan dalam aplikasi dunia nyata. Kami berpendapat bahwa ilusi ini pada dasarnya berasal dari kenyataan bahwa dataset pengenalan penyakit tanaman saat ini disesuaikan dengan metode pembelajaran mendalam dan masih jauh dari skenario nyata. Mengatasi ilusi ini secara mendasar memerlukan perspektif lintas disiplin dari bidang penyakit tanaman maupun pembelajaran mendalam, dan memunculkan suatu pertanyaan inti: apa karakteristik dataset yang diharapkan? Artikel ini bertujuan memberikan perspektif mengenai pertanyaan tersebut. Pertama, kami menyajikan taksonomi untuk mendeskripsikan dataset penyakit tanaman yang potensial, yang menjadi jembatan antara kedua bidang penelitian tersebut. Selanjutnya, kami memberikan beberapa arah untuk penyusunan dataset mendatang, seperti pembuatan dataset yang berorientasi pada tantangan. Kami meyakini bahwa artikel ini akan berkontribusi pada penyusunan dataset yang dapat membantu mencapai tujuan akhir, yaitu penerapan pembelajaran mendalam dalam aplikasi pengenalan penyakit tanaman di dunia nyata. Untuk memfasilitasi komunitas, proyek kami tersedia untuk umum di https://github.com/xml94/PPDRD, disertai informasi mengenai dataset publik yang relevan.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Kemajuan terkini dalam sistem pengenalan otomatis berbasis teknologi pembelajaran mendalam telah menunjukkan potensi untuk menyediakan pemantauan penyakit tanaman yang ramah lingkungan. Sistem ini mampu membedakan anomali tanaman secara andal pada beragam kondisi lingkungan sebagai dasar intervensi pada tanaman dengan menggunakan metode seperti klasifikasi atau deteksi. Namun, sistem tersebut sering kali mengalami penurunan kinerja ketika diterapkan pada kondisi lapangan baru dan data yang belum pernah dijumpai. Oleh karena itu, dalam artikel ini kami mengusulkan pendekatan berbasis konsep adaptasi domain himpunan terbuka (open-set domain adaptation) untuk tugas pengenalan penyakit tanaman agar sistem yang ada dapat beroperasi di lingkungan baru dengan kondisi dan lahan pertanian yang belum pernah dijumpai. Sistem kami secara khusus menangani diagnosis sebagai masalah pembelajaran himpunan terbuka dan terutama beroperasi dalam domain target dengan memanfaatkan estimasi yang tepat terhadap data yang tidak dikenal, sambil mempertahankan kinerja pada kelas-kelas yang telah dikenal. Kerangka utama terdiri atas dua modul berbasis pembelajaran mendalam yang melakukan deteksi kotak pembatas serta adaptasi domain himpunan terbuka di dalam domain itu sendiri maupun lintas domain. Detektor dibangun berdasarkan arsitektur bank filter kami sebelumnya untuk pengenalan penyakit tanaman dan menerapkan adaptasi dari domain sumber ke domain target dengan membatasi data agar diklasifikasikan sebagai salah satu kelas target atau, jika tidak, diberi label sebagai tidak dikenal. Kami melakukan evaluasi ekstensif pada dataset penyakit tanaman tomat kami yang mencakup tiga lahan pertanian dengan domain berbeda. Evaluasi tersebut menunjukkan bahwa pendekatan kami mampu secara efisien menangani perubahan lingkungan lapangan baru selama pengujian di lapangan, serta menunjukkan peningkatan yang konsisten dari pemodelan eksplisit terhadap data yang belum pernah dijumpai.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Deteksi penyakit tanaman telah mengalami kemajuan yang signifikan berkat hadirnya pembelajaran mendalam. Namun, metode yang ada masih terbatas pada pengaturan pembelajaran himpunan tertutup dan statis, dengan model yang dilatih menggunakan suatu dataset tertentu. Batasan ini membatasi kemampuan adaptasi model ketika menjumpai sampel dari kategori penyakit yang belum pernah ditemui. Selain itu, terdapat tantangan degradasi pengetahuan dalam pengaturan pembelajaran statis tersebut, karena perolehan pengetahuan baru cenderung menimpa pengetahuan lama ketika model mempelajari kategori baru. Untuk mengatasi keterbatasan ini, penelitian ini memperkenalkan paradigma baru untuk deteksi penyakit tanaman yang disebut pengaturan dunia terbuka (open-world setting). Pendekatan kami dapat melakukan inferensi terhadap kategori penyakit yang belum pernah dijumpai selama tahap pelatihan model dan secara bertahap mempelajari penyakit-penyakit tersebut melalui pembaruan pengetahuan secara dinamis pada tahap pelatihan berikutnya. Secara khusus, kami menggunakan jaringan pengusulan wilayah yang terlatih dengan baik dan peka terhadap objek yang tidak dikenal (unknown-aware region proposal network) untuk menghasilkan label semu bagi penyakit yang tidak dikenal selama pelatihan, serta menggunakan pengklasifikasi yang tidak bergantung pada kelas (class-agnostic classifier) untuk meningkatkan tingkat recall pada penyakit yang tidak dikenal. Selain itu, kami menggunakan strategi pemutaran ulang sampel (sample replay) untuk mempertahankan kemampuan pengenalan terhadap kelas-kelas yang telah dipelajari sebelumnya. Evaluasi eksperimental yang ekstensif dan studi ablasi menyelidiki efektivitas metode kami dalam mendeteksi kelas lama dan kelas yang tidak dikenal. Secara khusus, metode kami menunjukkan kemampuan generalisasi yang tangguh bahkan dalam eksperimen deteksi penyakit lintas spesies. Secara keseluruhan, metode deteksi dunia terbuka yang diperbarui secara dinamis ini menunjukkan potensi yang menjanjikan untuk menjadi paradigma deteksi penyakit tanaman di masa depan. Kami membahas permasalahan yang belum terselesaikan, termasuk klasifikasi dan lokalisasi, serta mengusulkan pendekatan yang menjanjikan untuk mengatasinya. Kami mendorong penelitian lebih lanjut dalam komunitas untuk mengatasi tantangan-tantangan penting dalam deteksi penyakit tanaman dunia terbuka. Kode akan dirilis di https://github.com/JiuqingDong/OWPDD.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Deteksi penyakit tanaman yang akurat dan cepat sangat penting untuk meningkatkan hasil pertanian dalam jangka panjang. Infeksi penyakit merupakan tantangan paling signifikan dalam produksi tanaman dan berpotensi menimbulkan kerugian ekonomi. Virus, jamur, bakteri, dan organisme infeksius lainnya dapat menyerang berbagai bagian tanaman, termasuk akar, batang, dan daun. Teknik tradisional untuk mendeteksi penyakit tanaman memerlukan waktu lama, membutuhkan keahlian, dan menghabiskan banyak sumber daya. Oleh karena itu, metodologi diagnosis penyakit daun secara otomatis menggunakan kecerdasan buatan (artificial intelligence, AI) bersama sensor Internet of Things (IoT) dipertimbangkan untuk analisis dan deteksi. Penelitian ini mengkaji empat penyakit tanaman: tomat, cabai, kentang, dan mentimun. Penelitian ini juga menyoroti penyakit dan infeksi yang paling umum pada keempat jenis sayuran tersebut beserta gejalanya. Tinjauan ini menyajikan langkah-langkah terperinci yang telah ditetapkan untuk memprediksi penyakit tanaman menggunakan AI. Langkah-langkah tersebut mencakup akuisisi citra, prapemrosesan, segmentasi, pemilihan fitur, dan klasifikasi. Model deteksi berbasis pembelajaran mesin (machine learning, ML) dan pemahaman mendalam (deep understanding, DL) dibahas. Berbagai penelitian berbasis ML dan DL yang telah ada untuk mendeteksi penyakit pada keempat tanaman tersebut ditelaah secara menyeluruh, termasuk dataset yang digunakan untuk mengevaluasi penelitian-penelitian tersebut. Kami juga menyediakan daftar dataset deteksi penyakit tanaman. Terakhir, berbagai permasalahan penerapan ML dan DL diidentifikasi dan dibahas bersama prospek penelitian mendatang, melalui penggabungan AI dengan platform IoT seperti drone cerdas untuk deteksi dan pemantauan penyakit di lapangan. Kajian ini akan membantu praktisi lain menelaah beragam strategi deteksi penyakit tanaman dan keterbatasan sistem yang ada saat ini.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Penyakit tanaman akibat jamur merupakan salah satu penyebab terpenting kehilangan hasil panen. Oleh karena itu, algoritme identifikasi penyakit tanaman dipandang sebagai alat yang berguna untuk mendeteksi penyakit tersebut pada tahap awal guna mengurangi dampaknya. Meskipun algoritme berbasis pembelajaran mendalam dapat mencapai akurasi deteksi yang tinggi, algoritme tersebut memerlukan dataset citra berukuran besar yang dianotasi secara manual dan tidak selalu tersedia, terutama untuk penyakit yang langka dan baru. Penelitian ini berfokus pada pengembangan algoritme dan strategi deteksi penyakit tanaman yang hanya memerlukan sedikit citra tanaman, yaitu algoritme pembelajaran dengan sedikit contoh (few-shot learning). Kami memperluas penelitian sebelumnya dengan menggunakan dataset baru yang menantang dan berisi lebih dari 100,000 citra. Dataset ini mencakup citra daun, malai, dan batang dari lima tanaman berbeda, yaitu jelai, jagung, rapa penghasil biji minyak (rape seed), padi, dan gandum, dengan total 17 penyakit berbeda; setiap penyakit ditampilkan pada berbagai tahap perkembangannya. Dalam penelitian ini, kami mengusulkan metode berbasis pembelajaran metrik mendalam untuk mengekstraksi representasi ruang laten penyakit tanaman hanya dari sedikit citra melalui jaringan Siamese dan fungsi kerugian triplet. Pendekatan ini meningkatkan metode-metode sebelumnya yang memerlukan dataset pendukung berisi banyak citra beranotasi untuk melakukan pembelajaran metrik dan klasifikasi dengan sedikit contoh. Metode yang diusulkan dibandingkan dengan jaringan tradisional yang dilatih menggunakan fungsi kerugian entropi silang. Eksperimen menyeluruh telah dilakukan untuk memvalidasi dan mengukur manfaat teknik pembelajaran metrik dibandingkan metode klasik. Hasil menunjukkan bahwa fitur yang diekstraksi oleh pendekatan berbasis pembelajaran metrik memiliki sifat diskriminatif dan pengelompokan yang lebih baik. Nilai indeks Davis-Bouldin dan skor Silhouette menunjukkan bahwa jaringan dengan kerugian triplet meningkatkan sifat pengelompokan dibandingkan dengan kerugian entropi silang kategorikal. Secara keseluruhan, pendekatan kerugian triplet meningkatkan nilai indeks DB sebesar 22.7% dan nilai skor Silhouette sebesar 166.7% dibandingkan dengan model kerugian entropi silang kategorikal. Selain itu, parameter F-score yang diperoleh dari jaringan Siamese dengan kerugian triplet memberikan kinerja yang lebih baik daripada pendekatan klasik ketika hanya tersedia sedikit citra untuk pelatihan, dengan peningkatan sebesar 6% pada nilai rata-rata F-score. Jaringan Siamese dengan kerugian triplet telah meningkatkan kemampuan untuk mempelajari berbagai penyakit tanaman menggunakan sedikit citra dari setiap kelas. Jaringan berbasis teknik pembelajaran metrik ini meningkatkan hasil pengelompokan dan klasifikasi dibandingkan jaringan tradisional dengan kerugian entropi silang kategorikal untuk identifikasi penyakit tanaman.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Metode pembelajaran mendalam berbasis citra untuk diagnosis penyakit tanaman menjanjikan, tetapi bergantung pada dataset berskala besar. Saat ini, kekurangan data telah menjadi hambatan dalam pemanfaatan metode pembelajaran mendalam. Pembelajaran dengan sedikit contoh (few-shot learning) dapat melakukan generalisasi ke kategori baru dengan dukungan sejumlah kecil sampel, yang sangat membantu untuk kategori penyakit tanaman yang hanya memiliki sedikit sampel tersedia. Namun, terdapat dua permasalahan yang menantang dalam pembelajaran dengan sedikit contoh: (1) fitur yang diekstraksi dari sedikit contoh sangat terbatas; (2) generalisasi ke kategori baru, terutama ke domain lain, sangat sulit. Untuk menjawab kedua permasalahan tersebut, kami mengusulkan jaringan yang didasarkan pada metode pembelajaran dengan sedikit contoh Meta-Baseline dan menggabungkan fitur multiskala berjenjang (cascaded multi-scale features) serta atensi kanal (channel attention). Jaringan ini memanfaatkan fitur multiskala untuk memperkaya representasi fitur dan menggunakan atensi kanal sebagai modul kompensasi untuk secara efisien mempelajari lebih banyak informasi dari kanal-kanal penting pada fitur yang telah digabungkan. Pada saat yang sama, kami mengusulkan serangkaian strategi pelatihan dari perspektif konfigurasi data untuk memenuhi berbagai kebutuhan generalisasi. Melalui eksperimen ekstensif, dibuktikan bahwa kombinasi fusi fitur multiskala dan atensi kanal dapat mengurangi masalah keterbatasan fitur akibat sedikitnya contoh. Untuk meniru berbagai skenario generalisasi, kami menetapkan pengaturan data yang berbeda dan menyarankan strategi pelatihan optimal masing-masing untuk kasus intradomain dan lintas domain. Pengaruh faktor-faktor penting dalam paradigma pembelajaran dengan sedikit contoh dianalisis. Dengan konfigurasi optimal, akurasi tugas 1-shot dan 5-shot masing-masing mencapai 61.24% dan 77.43% pada tugas yang menargetkan satu jenis tanaman, serta mencapai 82.52% dan 92.83% pada tugas yang menargetkan beberapa jenis tanaman. Hasil kami mengungguli penelitian terkait yang telah ada. Hal ini menunjukkan bahwa pembelajaran dengan sedikit contoh merupakan solusi potensial yang layak untuk pengenalan penyakit tanaman dalam penerapan di masa mendatang.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Untuk mengatasi tantangan utama dalam mendeteksi penyakit daun tomat di lingkungan pertanian yang kompleks, seperti oklusi daun, variasi ukuran lesi, dan gangguan pencahayaan, penelitian ini menyajikan model deteksi ringan bernama ToMASD. Model ini mengintegrasikan pemisahan fitur multiskala dan mekanisme penyelarasan adaptif. Secara inovatif, model ini terdiri atas modul penyelarasan adaptif bercabang ganda (TAAM) yang mencapai penyelarasan semantik lesi lintas skala melalui piramida fitur dinamis, unit berpagar yang peka terhadap konteks lokal (Faster-GLUDet) yang menggunakan mekanisme perhatian spasial untuk menekan gangguan derau latar belakang, serta kepala deteksi dengan pemisahan multiskala (MDH) yang menyeimbangkan akurasi deteksi lesi kecil dan lesi yang menyebar. Pada dataset yang mencakup enam jenis penyakit dalam berbagai kondisi cuaca, ToMASD mencapai presisi rata-rata sebesar 84.3%, melampaui tiga belas model utama dengan selisih 4.7% hingga 12.1%. Beban komputasi dipangkas menjadi 7.1 GFLOPs. Melalui penerapan paradigma pembelajaran transfer, bobot pralatih model deteksi penyakit tomat dapat ditransfer ke tugas deteksi pada tanaman buncis dan kentang. Melalui lapisan adaptasi domain dan strategi pemisahan fitur adversarial, masalah pergeseran domain diatasi, sehingga diperoleh presisi rata-rata sebesar 92.7% pada himpunan uji tanaman target. Tingkat deteksi keliru pada kondisi berkabut dan pencahayaan kuat masing-masing dikendalikan pada 6.3% dan 9.8%. Penelitian ini menghasilkan dua terobosan, yaitu deteksi berpresisi tinggi dalam situasi kompleks dan kemampuan generalisasi lintas tanaman pada model ringan. Penelitian ini menyediakan paradigma baru bagi sistem pemantauan penyakit pertanian universal yang dapat diterapkan pada perangkat komputasi tepi.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Pendahuluan: Kalibrasi tingkat keyakinan, prediksi selektif, pemberian skor di luar distribusi (OOD), dan ensemble mendalam merupakan teknik yang telah matang dalam pembelajaran mesin. Namun, efektivitasnya dalam menghadapi pergeseran domain berat yang terjadi ketika pengklasifikasi penyakit tanaman beralih dari citra laboratorium terkontrol ke foto lapangan yang heterogen belum dievaluasi secara sistematis melalui pengujian tolok ukur.

Metode: Model yang dilatih pada PlantVillage dievaluasi menggunakan citra hasil pemotongan pada tingkat daun dari PlantDoc dengan protokol pembagian data yang mempertimbangkan citra induk. Serangkaian teknik mitigasi standar diterapkan untuk mengarakterisasi kesenjangan keandalan. Analisis mencakup penskalaan temperatur dan prediksi selektif untuk ResNet-50 yang telah disetel halus, analisis kuantitatif pergeseran pada tingkat citra, visualisasi Grad-CAM, metode pembanding adaptasi sederhana yang memanfaatkan informasi domain target, perbandingan jaringan tulang punggung dengan fitur yang dibekukan, serta metode pembanding ensemble.

Hasil: Dalam studi kasus utama, ResNet-50 yang telah disetel halus mengalami penurunan drastis akurasi sebesar 67.7 poin persentase saat ditransfer lintas domain, sementara rata-rata tingkat keyakinan prediksinya tetap sebesar 79.76%. Penskalaan temperatur pascahoc menurunkan ECE setelah kalibrasi menjadi 0.3645, tetapi risiko selektif pada cakupan 80% tetap sebesar 64.30%. Analisis kuantitatif pergeseran pada tingkat citra mengonfirmasi perbedaan dengan ukuran efek besar dalam saturasi (d = 3.90), kepadatan tepi pada batas citra (d = 3.33), dan proksi proporsi area yang ditempati latar depan (d = 2.48) antara kedua domain. Sementara itu, visualisasi Grad-CAM menunjukkan bahwa perhatian model bergeser dari wilayah yang berpusat pada lesi di PlantVillage ke area yang didominasi latar belakang di PlantDoc. Mitigasi sederhana yang memanfaatkan informasi domain target, termasuk normalisasi batch adaptif dan pencocokan momen fitur, meningkatkan akurasi dari 0.321 menjadi masing-masing 0.343 dan 0.366, sedangkan adaptasi adversarial bergaya DANN menurunkan kinerja menjadi 0.252. Perbandingan jaringan tulang punggung dengan fitur yang dibekukan pada lima jaringan menunjukkan bahwa, dalam perbandingan jaringan tulang punggung beku yang menggunakan pemberian skor energi, DINOv2-S/14 mencapai AUROC deteksi kategori tidak dikenal tertinggi (0.764) dan risiko selektif terendah pada cakupan 80% (0.520). Uji Wilcoxon berpasangan mengonfirmasi perbedaan akurasi dan F1 makro yang signifikan secara statistik antarjaringan tulang punggung. Dua metode pembanding ensemble dievaluasi: ensemble ResNet-50 ujung ke ujung dengan inisialisasi warm-start menurunkan ECE setelah kalibrasi menjadi 0.063, tetapi hanya mencapai AUROC sebesar 0.666, sedangkan ensemble probe linear DINOv2 yang ringan mencapai AUROC sebesar 0.779 setelah kalibrasi, tetapi dengan keragaman epistemik yang terbatas.

Pembahasan: Tidak satu pun dari kedua ensemble tersebut menunjukkan keandalan yang memenuhi standar penerapan operasional: risiko selektif terbaik pada cakupan 80% di seluruh konfigurasi tetap di atas 0.51. Kontribusi utama penelitian ini adalah karakterisasi keandalan yang dapat direproduksi dan berorientasi pada penerapan, yang menunjukkan bahwa teknik pascahoc standar dan adaptasi ringan mengurangi, tetapi tidak menghilangkan, kesenjangan keandalan yang berat dalam transfer dari kondisi terkontrol ke lapangan pada visi komputer pertanian.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Generalisasi domain (DG) telah menjadi bidang penelitian penting dalam pembelajaran mesin, dengan fokus pada pembekalan model agar mampu melakukan generalisasi secara efektif ke domain uji yang belum pernah dilihat dan berbeda dari distribusi pelatihan. Kemampuan ini sangat penting karena data dunia nyata kerap menunjukkan pergeseran domain yang melanggar asumsi data yang independen dan berdistribusi identik (i.i.d.), sehingga menyebabkan penurunan kinerja model yang signifikan. Di antara berbagai strategi untuk menangani generalisasi domain, augmentasi data telah menarik perhatian besar sebagai pendekatan yang efektif untuk mengurangi pergeseran domain dan meningkatkan ketangguhan model. Dalam survei ini, kami mengkaji peran augmentasi data dalam generalisasi domain dengan menyajikan tinjauan menyeluruh mengenai metode, penerapan, dan tantangannya. Kami menyajikan taksonomi terperinci teknik augmentasi data yang dikelompokkan menurut tiga dimensi: cakupan, sifat, dan ketergantungan pada pelatihan. Selain itu, kami menyediakan analisis perbandingan metode-metode utama dengan menyoroti keunggulan dan keterbatasannya. Selanjutnya, kami mengeksplorasi penerapan augmentasi data yang spesifik terhadap domain dan menganalisis efektivitasnya dalam meningkatkan generalisasi pada berbagai tugas dunia nyata, termasuk visi komputer, NLP, pemrosesan ujaran, dan robotika. Sebagai penutup, kami mengkaji tantangan utama—seperti biaya komputasi dan overfitting terhadap augmentasi—serta menguraikan arah penelitian yang menjanjikan, dengan fokus pada pengembangan teknik augmentasi lintas modalitas dan tolok ukur evaluasi yang terstandar.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Generalisasi domain (DG) bertujuan mempelajari pengetahuan dari beberapa domain yang saling berkaitan untuk mencapai kinerja generalisasi yang tangguh pada domain target yang belum pernah dilihat. Pendekatan ini efektif untuk mengurangi pergeseran domain dalam klasifikasi citra penginderaan jauh. Meskipun metode sharpness-aware minimization (SAM) meningkatkan kemampuan DG dan kinerja klasifikasi citra penginderaan jauh dengan mendorong konvergensi minimum fungsi kerugian menuju permukaan kerugian yang lebih datar, kerugian akibat perturbasi pada SAM, yakni kerugian maksimum dalam lingkungan sekitar suatu minimum lokal, tidak mampu mengukur secara akurat ketajaman sebenarnya dari lanskap kerugian. Selain itu, varian-varian SAM sering mengabaikan konflik gradien, sehingga membatasi peningkatan lebih lanjut dalam kinerja DG. Dalam artikel ini, kami memperkenalkan implicit sharpness-aware minimization (ISAM), suatu metode baru yang mengatasi kekurangan SAM dan mengurangi konflik gradien. Secara khusus, kami menunjukkan bahwa selisih kerugian pelatihan selama proses pendakian atau penurunan gradien berfungsi sebagai ukuran yang ekuivalen terhadap nilai eigen dominan matriks Hessian. Selisih ini memberikan ukuran ketajaman yang andal. ISAM secara efektif mengurangi ketajaman dan potensi konflik antargradien dengan secara implisit meminimalkan selisih antarkerugian pelatihan, sekaligus memastikan nilai minimum yang cukup rendah melalui minimisasi kerugian akibat perturbasi. Eksperimen dan analisis yang ekstensif menunjukkan bahwa ISAM secara signifikan meningkatkan kemampuan generalisasi model pada dataset penginderaan jauh dan DG, serta mengungguli metode-metode mutakhir yang ada.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Sebagian besar model statistik arus utama menghasilkan kinerja yang buruk dalam generalisasi di luar distribusi (OOD). Hal ini terjadi karena model-model tersebut cenderung mempelajari korelasi semu antar-data dan mengalami kegagalan ketika terjadi pergeseran domain. Agar kecerdasan buatan (AI) dapat mencapai kemajuan besar dalam kehidupan nyata, fokus saat ini perlu dialihkan ke masalah OOD pada model pembelajaran mendalam untuk mengeksplorasi kemampuan generalisasi dalam lingkungan yang tidak diketahui. Generalisasi domain (DG), yang berfokus pada generalisasi OOD, diusulkan agar pengetahuan yang diekstraksi dari beberapa domain sumber dapat ditransfer ke domain target yang belum pernah dilihat. Kami terinspirasi oleh pemikiran intuitif bahwa kecerdasan manusia bertumpu pada kausalitas. Berbeda dari pendekatan yang bergantung pada korelasi probabilistik semata, kami menerapkan perspektif kausal baru pada DG, yang dapat meningkatkan kemampuan generalisasi OOD model terlatih dengan menggali mekanisme kausal yang invarian. Pertama, kami membangun graf kausal yang mencakup sebagian besar tugas DG melalui analisis kausal bertahap berdasarkan proses pembangkitan data dalam lingkungan alami, serta memperkenalkan model kausal struktural (SCM) yang sesuai. Kedua, berdasarkan inferensi kontrafaktual, kami mengusulkan pembelajaran representasi semantik kausal dengan intervensi domain (CSRDN) untuk melatih model yang tangguh. Dalam pendekatan ini, kami menghasilkan representasi kontrafaktual untuk berbagai intervensi domain, yang dapat membantu model mempelajari semantik kausal dan mengembangkan kapasitas generalisasi. Pada saat yang sama, kami mencari solusi optimal Pareto dalam proses optimisasi berdasarkan fungsi kerugian untuk memperoleh model terlatih yang lebih maju. Hasil eksperimen yang ekstensif pada dataset Rotated MNIST, PACS, dan VLCS memverifikasi efektivitas CSRDN yang diusulkan. Metode yang diusulkan dapat mengintegrasikan inferensi kausal ke dalam generalisasi domain dengan meningkatkan keterinterpretasian dan keterterapan, serta memberikan peningkatan dalam penanganan masalah generalisasi OOD yang menantang.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Meskipun algoritme pembelajaran mendalam telah mencapai kemajuan signifikan dalam berbagai domain, algoritme tersebut memerlukan anotasi berbiaya tinggi pada dataset yang sangat besar. Pembelajaran mandiri (self-supervised learning, SSL) yang menggunakan data tanpa label telah muncul sebagai alternatif karena menghilangkan kebutuhan akan anotasi manual. Untuk itu, SSL membangun representasi fitur menggunakan tugas prateks yang dijalankan tanpa anotasi manual. Hal ini memungkinkan model yang dilatih pada tugas-tugas tersebut mengekstraksi representasi laten yang berguna, yang kemudian meningkatkan kinerja tugas hilir seperti klasifikasi dan deteksi objek. Metode-metode awal SSL didasarkan pada tugas prateks tambahan sebagai cara mempelajari representasi menggunakan label semu, yakni label yang dibuat secara otomatis berdasarkan atribut dataset. Selain itu, pembelajaran kontrastif juga menunjukkan kinerja yang baik dalam mempelajari representasi melalui SSL. Untuk mencapai tujuan tersebut, pembelajaran kontrastif mendekatkan sampel positif dan menjauhkan sampel negatif di ruang laten. Artikel ini menyajikan tinjauan pustaka menyeluruh mengenai metode SSL berkinerja terbaik yang menggunakan teknik prateks tambahan dan pembelajaran kontrastif. Artikel ini menguraikan motivasi penelitian, alur umum SSL, serta terminologi bidang ini, dan mengkaji tugas prateks serta metode pembelajaran mandiri. Artikel ini juga menelaah perbandingan metode pembelajaran mandiri dengan metode pembelajaran terawasi, kemudian membahas pertimbangan lebih lanjut serta tantangan yang masih dihadapi SSL.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Jaringan saraf mendalam unggul dalam tugas pembelajaran terawasi, tetapi dibatasi oleh kebutuhan akan data berlabel dalam jumlah besar. Pembelajaran mandiri (self-supervised learning) muncul sebagai alternatif yang menjanjikan karena memungkinkan model belajar tanpa label eksplisit. Teori informasi telah membentuk perkembangan jaringan saraf mendalam, khususnya melalui prinsip hambatan informasi (information bottleneck). Prinsip ini mengoptimalkan kompromi antara kompresi dan pelestarian informasi yang relevan, serta menyediakan landasan untuk perancangan jaringan yang efisien dalam konteks pembelajaran terawasi. Namun, peran spesifik dan adaptasinya dalam pembelajaran mandiri masih belum jelas. Dalam penelitian ini, kami menelaah secara saksama berbagai pendekatan pembelajaran mandiri dari perspektif teori informasi dan memperkenalkan kerangka terpadu yang merangkum permasalahan pembelajaran mandiri berbasis teori informasi. Kerangka ini mencakup beberapa encoder dan decoder, serta mengisyaratkan bahwa seluruh karya yang ada mengenai pembelajaran mandiri dapat dipandang sebagai kasus khusus dari kerangka tersebut. Kami bertujuan menyatukan pendekatan-pendekatan ini untuk lebih memahami prinsip-prinsip yang mendasarinya dan menangani tantangan utama: banyak karya menyajikan kerangka yang berbeda dengan teori yang berbeda pula, yang dapat tampak saling bertentangan. Dengan merangkai penelitian yang ada menjadi narasi yang koheren, kami mengkaji secara mendalam metodologi pembelajaran mandiri kontemporer, menyoroti bidang penelitian yang potensial, dan mengidentifikasi tantangan yang melekat. Selain itu, kami membahas cara mengestimasi besaran-besaran teori informasi beserta permasalahan empiris yang terkait. Secara keseluruhan, artikel ini menyediakan tinjauan menyeluruh tentang titik temu teori informasi, pembelajaran mandiri, dan jaringan saraf mendalam, dengan tujuan memperoleh pemahaman yang lebih baik melalui pendekatan terpadu yang kami usulkan.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Pembelajaran mandiri (self-supervised learning) merupakan metode yang mempelajari representasi umum dari data tanpa label. Pemodelan citra bertopeng (masked image modeling, MIM), salah satu metode pembelajaran mandiri generatif, telah menarik perhatian karena menunjukkan kinerja mutakhir pada berbagai tugas hilir, meskipun keterpisahan linearnya rendah akibat pendekatan pada tingkat token. Dalam artikel ini, kami mengusulkan masked autoencoder multiview berbasis pembelajaran kontrastif untuk MIM, sehingga memanfaatkan pendekatan pada tingkat citra dengan mempelajari fitur bersama dari dua tampilan hasil augmentasi yang berbeda. Kami memperkuat MIM dengan mempelajari pola global berjangkauan panjang melalui kerugian kontrastif. Kerangka kami menggunakan arsitektur encoder–decoder sederhana, sehingga dapat mempelajari representasi yang kaya dan umum melalui proses sederhana berikut: (1) Dua tampilan yang berbeda dihasilkan dari sebuah citra masukan dengan pemberian mask secara acak. Melalui kerugian kontrastif, kami dapat mempelajari jarak semantik antarrepresentasi yang dihasilkan oleh encoder. Penerapan rasio mask yang tinggi, yaitu 80%, berfungsi sebagai augmentasi kuat dan mengurangi masalah keruntuhan representasi. (2) Melalui kerugian rekonstruksi, decoder belajar merekonstruksi citra asli dari citra yang diberi mask. Kami mengevaluasi kerangka ini melalui sejumlah eksperimen pada dataset tolok ukur untuk klasifikasi citra, deteksi objek, dan segmentasi semantik. Kami mencapai akurasi penyetelan halus sebesar 84.3% pada klasifikasi ImageNet-1K dan 76.7% pada pengujian probe linear, sehingga melampaui penelitian sebelumnya serta menunjukkan hasil yang menjanjikan pada tugas hilir lainnya. Hasil eksperimen menunjukkan bahwa pendekatan kami dapat mempelajari representasi citra yang kaya dan umum dengan menerapkan kerugian kontrastif pada pemodelan citra bertopeng.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Dalam artikel ini, kami menyurvei studi-studi terkini mengenai pemodelan citra bertopeng (masked image modeling, MIM), suatu pendekatan yang berkembang menjadi teknik pembelajaran mandiri yang kuat dalam visi komputer. Tugas MIM melibatkan pemberian mask pada sebagian informasi, misalnya piksel, patch, atau bahkan representasi laten, serta pelatihan model, biasanya berupa autoencoder, untuk memprediksi informasi yang hilang dengan menggunakan konteks yang tersedia pada bagian masukan yang masih terlihat. Kami mengidentifikasi dan memformalkan dua kategori pendekatan untuk menerapkan MIM sebagai tugas prateks: satu berbasis rekonstruksi dan satu berbasis pembelajaran kontrastif. Selanjutnya, kami membangun taksonomi dan meninjau artikel-artikel paling menonjol dalam beberapa tahun terakhir. Kami melengkapi taksonomi yang disusun secara manual dengan dendrogram yang diperoleh melalui penerapan algoritme pengelompokan hierarkis. Kami kemudian mengidentifikasi kelompok-kelompok yang relevan melalui pemeriksaan manual terhadap dendrogram yang dihasilkan. Tinjauan kami juga mencakup dataset yang umum digunakan dalam penelitian MIM. Kami menghimpun hasil kinerja berbagai metode pemodelan citra bertopeng pada dataset yang paling populer untuk memudahkan perbandingan metode-metode yang bersaing. Terakhir, kami mengidentifikasi kesenjangan penelitian dan mengusulkan beberapa arah penelitian lanjutan yang menarik. Kami melengkapi survei ini dengan repositori publik berikut yang memuat referensi yang tertata: https://github.com/vladhondru25/MIM-Survey.

Abstrak — Bahasa Indonesia

Terjemahan dari abstrak penulis, bukan abstrak resmi berbahasa Indonesia dari penerbit. Metode dan hasil merupakan laporan penulis artikel; rujuk PDF asli untuk sitasi.

Transformer merupakan model yang menerapkan mekanisme perhatian diri (self-attention), yang memberikan bobot secara individual pada tingkat kepentingan setiap bagian data masukan. Penggunaannya dalam tugas klasifikasi citra masih relatif terbatas karena sejauh ini peneliti lebih memilih jaringan saraf konvolusional (Convolutional Neural Networks) untuk klasifikasi citra, sedangkan transformer lebih diarahkan pada tugas pemrosesan bahasa alami (NLP). Oleh karena itu, artikel ini menyajikan tinjauan pustaka yang memperlihatkan perbedaan antara Vision Transformers (ViT) dan jaringan saraf konvolusional. Penelitian mutakhir yang menggunakan kedua arsitektur tersebut untuk klasifikasi citra ditinjau, dan dilakukan upaya untuk memahami faktor-faktor yang dapat memengaruhi kinerja kedua arsitektur pembelajaran mendalam tersebut berdasarkan dataset yang digunakan, ukuran citra, jumlah kelas target untuk masalah klasifikasi, perangkat keras, arsitektur yang dievaluasi, serta hasil terbaik yang diperoleh. Tujuan penelitian ini adalah mengidentifikasi arsitektur mana yang terbaik untuk klasifikasi citra dan dalam kondisi apa. Artikel ini juga menjelaskan pentingnya mekanisme perhatian multikepala (Multi-Head Attention) untuk meningkatkan kinerja ViT dalam klasifikasi citra.